本發(fā)明涉及無線局域網(wǎng)
技術(shù)領(lǐng)域：
，尤其涉及一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法及服務(wù)器。
背景技術(shù)：
：目前在世界范圍內(nèi)的定位技術(shù)主要有GPS定位、Wi-Fi定位、藍(lán)牙定位等，GPS定位主要應(yīng)用于室外，Wi-Fi、藍(lán)牙定位既可用于室內(nèi)，也可用于室外。由于Wi-Fi定位相對成熟，下面以Wi-Fi定位技術(shù)為背景來介紹本發(fā)明的具體內(nèi)容。隨著無線路由器的普及，目前大部分公共區(qū)域都已經(jīng)實現(xiàn)十幾個甚至幾十個WiFi信號覆蓋，而且這些路由器在向四周傳播WiFi信號的同時，也不停的發(fā)送其物理地址與信號強度等信息，只要在其信號覆蓋范圍內(nèi)，即使不知道Wi-Fi的密碼，也同樣能獲得這些信息。通用的WiFi室內(nèi)定位技術(shù)大多是基于IEEE802.11b/g協(xié)議的無線局域網(wǎng)(WLAN)的信號強度定位技術(shù)。基于信號強度的定位技術(shù)基本原理是根據(jù)接收到的信號的強度推算信號接收器與信號源之間的距離，主要分成兩類：三角形強度算法以及位置指紋識別算法。其中三角形強度算法精度低，難以滿足室內(nèi)定位要求；而普通指紋識別算法又存在接收設(shè)備不同而使得接收信號存在誤差的缺陷。技術(shù)實現(xiàn)要素：為解決上述技術(shù)問題，本發(fā)明提供一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法及服務(wù)器，通過對采集的待檢測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)進行1*1卷積計算，實現(xiàn)多維的網(wǎng)絡(luò)數(shù)據(jù)更好地融合，提高基于深度神經(jīng)網(wǎng)絡(luò)的WiFi定位的精度。本發(fā)明提供的技術(shù)方案如下：本發(fā)明公開了一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法，所述方法包括步驟：S100、獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)；S200、將所述網(wǎng)絡(luò)數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層，經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡(luò)層；S300、基于訓(xùn)練后的定位模型的網(wǎng)絡(luò)層計算待檢測客戶端所在位置的所述網(wǎng)絡(luò)數(shù)據(jù)，并通過輸出層輸出的輸出結(jié)果確定待檢測客戶端的位置。進一步優(yōu)選的，所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內(nèi)發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率。進一步優(yōu)選的，所述步驟S100之前還包括步驟：S000、預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進一步優(yōu)選的，所述步驟S000進一步包括步驟：S001、預(yù)先設(shè)置訓(xùn)練位置標(biāo)簽；S002、依次采集各個無線接入點接收到訓(xùn)練終端在每個所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域內(nèi)所發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域?qū)?yīng)位置上的訓(xùn)練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；S003、分別將每個所述訓(xùn)練位置標(biāo)簽以及其對應(yīng)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率作為一組訓(xùn)練樣本數(shù)據(jù)，生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；S004、將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點與各個無線接入點相對應(yīng)，按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應(yīng)的方式分別將每組訓(xùn)練樣本數(shù)據(jù)中的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應(yīng)節(jié)點的三個通道；所述訓(xùn)練樣本數(shù)據(jù)經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層，最后經(jīng)由所述深度神經(jīng)網(wǎng)絡(luò)的輸出層輸出與所述訓(xùn)練位置標(biāo)簽相對應(yīng)的訓(xùn)練結(jié)果；S005、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述訓(xùn)練位置標(biāo)簽進行比較，根據(jù)比較結(jié)果對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進一步優(yōu)選的，所述步驟S003與所述步驟S004之間還包括步驟：S035、分別對每個所述訓(xùn)練位置標(biāo)簽對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理；所述步驟S100和步驟S200之間還包括步驟：S150、將待檢測客戶端的所述網(wǎng)絡(luò)數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理。本發(fā)明還公開了一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器，包括：數(shù)據(jù)采集模塊，用于獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內(nèi)發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；定位模塊，用于將采集到的所述網(wǎng)絡(luò)數(shù)據(jù)輸入定位模型的多通道數(shù)據(jù)層，經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡(luò)層，基于定位模型的網(wǎng)絡(luò)層計算所述網(wǎng)絡(luò)數(shù)據(jù)，并通過輸出層的輸出結(jié)果確定待檢測客戶端的位置。進一步優(yōu)選的，還包括：訓(xùn)練模塊，用于預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進一步優(yōu)選的，所述訓(xùn)練模塊進一步包括：標(biāo)簽預(yù)設(shè)子模塊，用于預(yù)先設(shè)置用于訓(xùn)練的訓(xùn)練位置標(biāo)簽；訓(xùn)練數(shù)據(jù)集生成子模塊，用于依次采集各個無線接入點接收到訓(xùn)練終端在每個所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域內(nèi)所發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)，分別將每個所述訓(xùn)練位置標(biāo)簽以及其對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域?qū)?yīng)位置上的訓(xùn)練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；輸入數(shù)據(jù)層定義子模塊，用于將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點與各個無線接入點相對應(yīng)；卷積層定義子模塊，用于在深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層與網(wǎng)絡(luò)層之間定義1*1卷積層；訓(xùn)練預(yù)測子模塊，用于按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應(yīng)的方式分別將每組訓(xùn)練樣本數(shù)據(jù)中的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應(yīng)節(jié)點的三個通道，經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層，最后經(jīng)由所述深度神經(jīng)網(wǎng)絡(luò)的輸出層輸出與所述訓(xùn)練位置標(biāo)簽相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述訓(xùn)練位置標(biāo)簽進行比較，根據(jù)比較結(jié)果對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。進一步優(yōu)選的，還包括：數(shù)據(jù)處理模塊，用于分別對每個所述訓(xùn)練位置標(biāo)簽對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理，以及用于將待檢測客戶端的所述網(wǎng)絡(luò)數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理。與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法及服務(wù)器，通過收集待測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)，并對采集的待檢測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)進行1*1卷積計算，輸入訓(xùn)練好的定位模型，即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡(luò)改進，增加1*1卷積層，對多維的網(wǎng)絡(luò)數(shù)據(jù)中相關(guān)度較高的三種數(shù)據(jù)進行卷積，能夠使數(shù)據(jù)更好地融合，提高WiFi定位的精度。同時，通過利用含有大量訓(xùn)練樣本數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用改進后的深度神經(jīng)網(wǎng)絡(luò)作為定位模型，不僅提升定位精度的提升，同時能夠在不影響定位速度的情況下提升定位結(jié)果的準(zhǔn)確性，成功將定位問題融入到大數(shù)據(jù)的背景中，并有效的利用大數(shù)據(jù)的優(yōu)勢來提高實時定位服務(wù)器的性能。附圖說明下面將以明確易懂的方式，結(jié)合附圖說明優(yōu)選實施方式，對本發(fā)明予以進一步說明。圖1為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法的主要步驟示意圖；圖2為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法的訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的步驟示意圖；圖3為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器的主要組成示意圖；圖4為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器的完整組成示意圖。附圖標(biāo)記：100、數(shù)據(jù)采集模塊，200、定位模塊，300、訓(xùn)練模塊，311、標(biāo)簽預(yù)設(shè)子模塊，312、訓(xùn)練數(shù)據(jù)集生成子模塊，313、輸入數(shù)據(jù)層定義子模塊，314、訓(xùn)練預(yù)測子模塊，315、卷積層定義子模塊，400、數(shù)據(jù)處理模塊。具體實施方式為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對照附圖說明本發(fā)明的具體實施方式。顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖，并獲得其他的實施方式。為使圖面簡潔，各圖中只示意性地表示出了與本發(fā)明相關(guān)的部分，它們并不代表其作為產(chǎn)品的實際結(jié)構(gòu)。另外，以使圖面簡潔便于理解，在有些圖中具有相同結(jié)構(gòu)或功能的部件，僅示意性地繪示了其中的一個，或僅標(biāo)出了其中的一個。在本文中，“一個”不僅表示“僅此一個”，也可以表示“多于一個”的情形。圖1為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法的主要步驟示意圖，如圖1所示，一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法，所述方法包括步驟：S100、獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)；S200、將所述網(wǎng)絡(luò)數(shù)據(jù)輸入訓(xùn)練后的定位模型的輸入數(shù)據(jù)層，經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡(luò)層；S300、基于訓(xùn)練后的定位模型的網(wǎng)絡(luò)層計算待檢測客戶端所在位置的所述網(wǎng)絡(luò)數(shù)據(jù)，并通過輸出層輸出的輸出結(jié)果確定待檢測客戶端的位置。具體的，上述待檢測客戶端(以下簡稱STA)是以智能手機、筆記本電腦或個人平板電腦等智能終端設(shè)備為載體。本實施例中所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)，其中具體包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內(nèi)發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率。因為信道號和頻率點正相關(guān)，而頻段和空間衰減相關(guān)，信道號越大，在空間傳播時衰減越大，同時AP的輸入功率的采集也會影響進度，因為不同型號的AP輸出功率設(shè)計指標(biāo)可以不一樣，即使相同AP在2.4G頻段和5G頻段的輸出指標(biāo)也完全可能不一樣，因此本發(fā)明在不同信道不同頻段上采集RSSI，把信道號、AP在頻段上的輸入功率與信號強度數(shù)據(jù)一并采集輸入深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，大大提高定位的準(zhǔn)確率。具體的，各個無線接入點接收待檢測客戶端在檢測區(qū)域內(nèi)所在位置上所發(fā)出的信號的信號強度數(shù)據(jù)通過以下方式獲?。篠TA在檢測區(qū)域中實時發(fā)送探測幀，無線接入點收到后獲取所述探測幀的信號強度，各個無線接入點上報信號強度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個無線接入點上報的RSSI場強報文生成信號強度數(shù)據(jù)。例如，信號強度數(shù)據(jù)的格式為<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1為AP1收到的STA的RSSI，RSSI2為AP2收到的STA的RSSI，以此類推。以實際數(shù)據(jù)為例，本發(fā)明采集待檢測客戶端的網(wǎng)絡(luò)數(shù)據(jù)的格式如下，<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23)>，其中具體含義如下：RSSI1＝-30dBm,信道6，輸出20dBmRSSI2＝-12dBm,信道11，輸出18dBmRSSI3＝-14dBm,信道1，輸出20dBmRSSI4＝-67dBm,信道36，輸出18dBmRSSI5＝-54dBm,信道149，輸出23dBm具體的，由于上述網(wǎng)絡(luò)數(shù)據(jù)實際上是三維數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡(luò)的三通道數(shù)據(jù)層輸入雖然能解決輸入數(shù)據(jù)的精度，但三通道的數(shù)據(jù)是完全不同維度的數(shù)據(jù)，并沒有融化。同時，本實施例中網(wǎng)絡(luò)數(shù)據(jù)包括信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率，三者具有極大得相關(guān)性，因此為了使多維網(wǎng)絡(luò)數(shù)據(jù)在輸入數(shù)據(jù)層就產(chǎn)生更好的融合，本發(fā)明在輸入數(shù)據(jù)層和網(wǎng)絡(luò)層直接插入一個1x1卷積核的3通道卷積層。原有網(wǎng)絡(luò)：三通道數(shù)據(jù)層---->網(wǎng)絡(luò)層---->輸出層本發(fā)明網(wǎng)絡(luò)：三通道數(shù)據(jù)層---->1x1卷積核的3通道卷積層---->網(wǎng)絡(luò)層---->輸出層原有輸入數(shù)據(jù)層的三通道數(shù)據(jù)為：x，y，z1x1卷積核的3通道卷積層輸出數(shù)據(jù)為：X1＝w11*x+w12*y+w13*zX2＝w21*x+w22*y+w23*zX3＝w31*x+w32*y+w33*z這樣1x1卷積核的3通道卷積層每個通道上的數(shù)據(jù)都是原有三通道數(shù)據(jù)層三通道上數(shù)據(jù)的線性組合，更有利于后面深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本發(fā)明通過收集待測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)，并對采集的待檢測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)進行1*1卷積計算，輸入訓(xùn)練好的定位模型，即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡(luò)改進，增加1*1卷積層，對多維的網(wǎng)絡(luò)數(shù)據(jù)中相關(guān)度較高的三種數(shù)據(jù)進行卷積，能夠使數(shù)據(jù)更好地融合，提高WiFi定位的精度。優(yōu)選的，所述步驟S100之前還包括步驟：S000、預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，本發(fā)明中根據(jù)定位得到的輸出結(jié)果不同，可以包含兩種具體實現(xiàn)方式，方式一是通過深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測客戶端所在位置所屬某個預(yù)先設(shè)置的分類的概率值，方式二是通過深度神經(jīng)網(wǎng)絡(luò)作為定位模型直接輸出待檢測客戶端所在位置的預(yù)設(shè)位置坐標(biāo)。本發(fā)明對具體訓(xùn)練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓(xùn)練的方法：已知接收到的網(wǎng)絡(luò)數(shù)據(jù)的實際位置，通過不斷調(diào)整網(wǎng)絡(luò)參數(shù)使得深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層的輸出和真實的結(jié)果相同。圖2為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位方法的一個實施例的步驟示意圖。優(yōu)選的，如圖2所示，所述步驟S000進一步包括步驟：S001、預(yù)先設(shè)置訓(xùn)練位置標(biāo)簽；S002、依次采集各個無線接入點接收到訓(xùn)練終端在每個所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域內(nèi)所發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域?qū)?yīng)位置上的訓(xùn)練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；S003、分別將每個所述訓(xùn)練位置標(biāo)簽以及其對應(yīng)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率作為一組訓(xùn)練樣本數(shù)據(jù)，生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；S004、將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點與各個無線接入點相對應(yīng)，按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應(yīng)的方式分別將每組訓(xùn)練樣本數(shù)據(jù)中的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應(yīng)節(jié)點的三個通道；所述訓(xùn)練樣本數(shù)據(jù)經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層，最后經(jīng)由所述深度神經(jīng)網(wǎng)絡(luò)的輸出層輸出與所述訓(xùn)練位置標(biāo)簽相對應(yīng)的訓(xùn)練結(jié)果；S005、依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述訓(xùn)練位置標(biāo)簽進行比較，根據(jù)比較結(jié)果對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，因為本實施例中網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)，且具體為信號數(shù)據(jù)強度、信道號以及對應(yīng)無線接入點的輸入功率，因此定義用作定位模型的深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層也為三通道數(shù)據(jù)層。下面以方式一通過深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測客戶端所在位置所屬某個預(yù)先設(shè)置的分類的概率值為例，具體介紹本發(fā)明對深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程。1、在訓(xùn)練時，首先采集各個無線接入點接收到訓(xùn)練終端在預(yù)設(shè)訓(xùn)練位置標(biāo)簽在檢測區(qū)域內(nèi)對應(yīng)位置上的網(wǎng)絡(luò)數(shù)據(jù)。本實施例中預(yù)設(shè)訓(xùn)練位置標(biāo)簽為自行定義，具體可通過網(wǎng)格劃分檢測區(qū)域，將檢測區(qū)域劃分為預(yù)設(shè)數(shù)量的網(wǎng)格分類，將每個網(wǎng)格分類分配對應(yīng)的預(yù)設(shè)訓(xùn)練位置標(biāo)簽，也可通過在檢測區(qū)域建立平面直角坐標(biāo)系，分別在坐標(biāo)系中設(shè)置對應(yīng)的位置坐標(biāo)為預(yù)設(shè)訓(xùn)練位置標(biāo)簽。本實施例中以方式一進行舉例，下面以實際數(shù)據(jù)解釋本發(fā)明中采集的每個預(yù)設(shè)訓(xùn)練位置標(biāo)簽對應(yīng)位置的網(wǎng)絡(luò)數(shù)據(jù)。假設(shè)在其中一個預(yù)設(shè)訓(xùn)練位置標(biāo)簽所采集到的網(wǎng)絡(luò)數(shù)據(jù)如下：<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23),34>代表：RSSI1＝-30dBm,信道6，輸出20dBmRSSI2＝-12dBm,信道11，輸出18dBmRSSI3＝-14dBm,信道1，輸出20dBmRSSI4＝-67dBm,信道36，輸出18dBmRSSI5＝-54dBm,信道149，輸出23dBmlabel＝34，表示此預(yù)設(shè)訓(xùn)練位置標(biāo)簽的標(biāo)識為34，代表監(jiān)測區(qū)域中標(biāo)識為34的網(wǎng)格所在位置。2、依次通過訓(xùn)練樣本數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層。采集的原始的網(wǎng)絡(luò)數(shù)據(jù)是三維數(shù)據(jù)，因此，定義用作定位模型的深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層也為三通道數(shù)據(jù)層，三通道數(shù)據(jù)層的節(jié)點與各個無線接入點相對應(yīng)。按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應(yīng)的方式分別將每組訓(xùn)練樣本數(shù)據(jù)中的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應(yīng)節(jié)點的三個通道。表一通道1通道2通道3-30620-121118-14120-673618-5414923如表一所示，表一中通道1表示采集的與各個無線接入點對應(yīng)的信號強度數(shù)據(jù)，通道2表示對應(yīng)的信道號，通道3表示對應(yīng)各個無線接入點的輸入頻率。依次將每個預(yù)設(shè)訓(xùn)練位置標(biāo)簽對應(yīng)的訓(xùn)練樣本數(shù)據(jù)送入深度神經(jīng)網(wǎng)絡(luò)的三通道數(shù)據(jù)層的三個通道。3、1*1卷積計算本發(fā)明中在三通道數(shù)據(jù)層和網(wǎng)絡(luò)層之間還增加一個1*1卷積核的三通道卷積層，從三通道數(shù)據(jù)層輸入的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率進行1*1卷積計算，計算后輸入網(wǎng)絡(luò)層；4、訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)最后通過輸出層輸出訓(xùn)練結(jié)果與訓(xùn)練位置標(biāo)簽的誤差，最后通過調(diào)整深度神經(jīng)網(wǎng)絡(luò)中的參數(shù)使得整個網(wǎng)絡(luò)的Loss即誤差最小。需要說明的是，整個深度神經(jīng)網(wǎng)絡(luò)中沒有標(biāo)明具體參數(shù)，因為這些參數(shù)和具體的空間以及AP的個數(shù)有關(guān)，不在本專利的范圍內(nèi)。優(yōu)選的，所述步驟S003與所述步驟S004之間還包括步驟：S035、分別對每個所述訓(xùn)練位置標(biāo)簽對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理；所述步驟S100和步驟S200之間還包括步驟：S150、將待檢測客戶端的所述網(wǎng)絡(luò)數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理。具體的，為了使采集的多維的網(wǎng)絡(luò)數(shù)據(jù)能有效進入深度神經(jīng)網(wǎng)絡(luò)處理，需要把每個原始數(shù)據(jù)都?xì)w一化。本實施例中采用以下歸一化公式處理：X’＝(X-u)/σ，u為均值，σ為標(biāo)準(zhǔn)差本實施例中歸一化只在各自通道內(nèi)歸一化。圖3為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器的主要組成示意圖。如圖3所示，一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器，包括：數(shù)據(jù)采集模塊100，用于獲取檢測區(qū)域中各個無線接入點接收到待檢測客戶端發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內(nèi)發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；定位模塊200，用于將采集到的所述網(wǎng)絡(luò)數(shù)據(jù)輸入定位模型的多通道數(shù)據(jù)層，經(jīng)過定位模型的1*1卷積層計算后進入定位模型的網(wǎng)絡(luò)層，基于定位模型的網(wǎng)絡(luò)層計算所述網(wǎng)絡(luò)數(shù)據(jù)，并通過輸出層的輸出結(jié)果確定待檢測客戶端的位置。具體的，上述待檢測客戶端(以下簡稱STA)是以智能手機、筆記本電腦或個人平板電腦等智能終端設(shè)備為載體。本實施例中所述網(wǎng)絡(luò)數(shù)據(jù)為多維數(shù)據(jù)，其中具體包括各個無線接入點接收到待檢測客戶端在檢測區(qū)域內(nèi)發(fā)出的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率。因為信道號和頻率點正相關(guān)，而頻段和空間衰減相關(guān)，信道號越大，在空間傳播時衰減越大，同時AP的輸入功率的采集也會影響進度，因為不同型號的AP輸出功率設(shè)計指標(biāo)可以不一樣，即使相同AP在2.4G頻段和5G頻段的輸出指標(biāo)也完全可能不一樣，因此本發(fā)明在不同信道不同頻段上采集RSSI，把信道號、AP在頻段上的輸入功率與信號強度數(shù)據(jù)一并采集輸入深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，大大提高定位的準(zhǔn)確率。具體的，各個無線接入點接收待檢測客戶端在檢測區(qū)域內(nèi)所發(fā)出的信號的的信號強度數(shù)據(jù)通過以下方式獲?。篠TA在檢測區(qū)域中實時發(fā)送探測幀，無線接入點收到后獲取所述探測幀的信號強度，各個無線接入點上報信號強度至本地服務(wù)器或云服務(wù)器，服務(wù)器根據(jù)各個無線接入點上報的RSSI場強報文生成信號強度數(shù)據(jù)。例如，信號強度數(shù)據(jù)的格式為<RSSI1，RSSI2，RSSI3，RSSI4，RSSI5>，其中RSSI1為AP1收到的STA的RSSI，RSSI2為AP2收到的STA的RSSI，以此類推。以實際數(shù)據(jù)為例，本發(fā)明采集待檢測客戶端的網(wǎng)絡(luò)數(shù)據(jù)的格式如下，<(-30,6,20)，(-12,11,18)，(-14,1,20),(-67,36,18)，(-54,149,23)>，其中具體含義如下：RSSI1＝-30dBm,信道6，輸出20dBmRSSI2＝-12dBm,信道11，輸出18dBmRSSI3＝-14dBm,信道1，輸出20dBmRSSI4＝-67dBm,信道36，輸出18dBmRSSI5＝-54dBm,信道149，輸出23dBm具體的，由于上述網(wǎng)絡(luò)數(shù)據(jù)實際上是三維數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡(luò)的三通道數(shù)據(jù)層輸入雖然能解決輸入數(shù)據(jù)的精度，但三通道的數(shù)據(jù)是完全不同維度的數(shù)據(jù)，并沒有融化。同時，本實施例中網(wǎng)絡(luò)數(shù)據(jù)包括信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率，三者具有極大得相關(guān)性，因此為了使多維網(wǎng)絡(luò)數(shù)據(jù)在輸入數(shù)據(jù)層就產(chǎn)生更好的融合，本發(fā)明在輸入數(shù)據(jù)層和網(wǎng)絡(luò)層直接插入一個1x1卷積核的3通道卷積層。原有網(wǎng)絡(luò)：三通道數(shù)據(jù)層---->網(wǎng)絡(luò)層---->輸出層本發(fā)明網(wǎng)絡(luò)：三通道數(shù)據(jù)層---->1x1卷積核的3通道卷積層---->網(wǎng)絡(luò)層---->輸出層原有輸入數(shù)據(jù)層的三通道數(shù)據(jù)為：x，y，z1x1卷積核的3通道卷積層輸出數(shù)據(jù)為：X1＝w11*x+w12*y+w13*zX2＝w21*x+w22*y+w23*zX3＝w31*x+w32*y+w33*z這樣1x1卷積核的3通道卷積層每個通道上的數(shù)據(jù)都是原有三通道數(shù)據(jù)層三通道上數(shù)據(jù)的線性組合，更有利于后面深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本發(fā)明通過收集待測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)，并對采集的待檢測客戶端所在位置的網(wǎng)絡(luò)數(shù)據(jù)進行1*1卷積計算，輸入訓(xùn)練好的定位模型，即可確定待測客戶端所在位置。本發(fā)明對深度神經(jīng)網(wǎng)絡(luò)改進，增加1*1卷積層，對多維的網(wǎng)絡(luò)數(shù)據(jù)中相關(guān)度較高的三種數(shù)據(jù)進行卷積，能夠使數(shù)據(jù)更好地融合，提高WiFi定位的精度。圖4為本發(fā)明一種基于加強深度神經(jīng)網(wǎng)絡(luò)的WiFi定位服務(wù)器的完整組成示意圖。如圖4所示，優(yōu)選的，還包括：訓(xùn)練模塊300，用于預(yù)先訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。具體的，本發(fā)明中根據(jù)定位得到的輸出結(jié)果不同，可以包含兩種具體實現(xiàn)方式，方式一是通過深度神經(jīng)網(wǎng)絡(luò)作為定位模型輸出待檢測客戶端所在位置所屬某個預(yù)先設(shè)置的分類的概率值，方式二是通過深度神經(jīng)網(wǎng)絡(luò)作為定位模型直接輸出待檢測客戶端所在位置的預(yù)設(shè)位置坐標(biāo)。本發(fā)明對具體訓(xùn)練方式不作限定。本發(fā)明采用有監(jiān)督的全局參數(shù)訓(xùn)練的方法：已知與各個無線接入點對應(yīng)的信號強度數(shù)據(jù)的實際位置屬于某個網(wǎng)格，通過不斷調(diào)整網(wǎng)絡(luò)參數(shù)使得深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層的輸出和真實的結(jié)果相同。優(yōu)選的，所述訓(xùn)練模塊進一步包括：標(biāo)簽預(yù)設(shè)子模塊311，用于預(yù)先設(shè)置用于訓(xùn)練的訓(xùn)練位置標(biāo)簽；訓(xùn)練數(shù)據(jù)集生成子模塊312，用于依次采集各個無線接入點接收到訓(xùn)練終端在每個所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域內(nèi)所發(fā)出的信號的網(wǎng)絡(luò)數(shù)據(jù)，分別將每個所述訓(xùn)練位置標(biāo)簽以及其對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)作為一組訓(xùn)練樣本數(shù)據(jù)，生成訓(xùn)練數(shù)據(jù)集，并送入深度神經(jīng)網(wǎng)絡(luò)中；所述網(wǎng)絡(luò)數(shù)據(jù)包括各個無線接入點接收所述訓(xùn)練位置標(biāo)簽在檢測區(qū)域?qū)?yīng)位置上的訓(xùn)練終端所發(fā)的信號的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率；輸入數(shù)據(jù)層定義子模塊313，用于將深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層定義為三通道數(shù)據(jù)層，所述三通道數(shù)據(jù)層的節(jié)點與各個無線接入點相對應(yīng)；卷積層定義子模塊315，用于在深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)層與網(wǎng)絡(luò)層之間定義1*1卷積層；訓(xùn)練預(yù)測子模塊314，用于按照三通道數(shù)據(jù)層的節(jié)點與無線接入點對應(yīng)的方式分別將每組訓(xùn)練樣本數(shù)據(jù)中的每個與無線接入點對應(yīng)的信號強度數(shù)據(jù)結(jié)合信道號以及對應(yīng)無線接入點的輸入功率輸入所述三通道數(shù)據(jù)層對應(yīng)節(jié)點的三個通道，經(jīng)過1*1卷積層計算后進入所述深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層，最后經(jīng)由所述深度神經(jīng)網(wǎng)絡(luò)的輸出層輸出與所述訓(xùn)練位置標(biāo)簽相對應(yīng)的訓(xùn)練結(jié)果，依次將輸出的訓(xùn)練結(jié)果與其對應(yīng)的所述訓(xùn)練位置標(biāo)簽進行比較，根據(jù)比較結(jié)果對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)作為所述定位模型。需要說明的是，對于上述訓(xùn)練模塊300的訓(xùn)練過程詳見本發(fā)明對于基于網(wǎng)絡(luò)數(shù)據(jù)的WiFi定位方法中訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的解釋，此處不再復(fù)述。本服務(wù)器中各模塊之間的信息交互、執(zhí)行過程等內(nèi)容與上述方法實施例基于同一構(gòu)思，具體內(nèi)容可參見本發(fā)明方法實施例中的敘述，此處不再贅述。優(yōu)選的，還包括：數(shù)據(jù)處理模塊400，用于分別對每個所述訓(xùn)練位置標(biāo)簽對應(yīng)的網(wǎng)絡(luò)數(shù)據(jù)的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理，以及用于將待檢測客戶端的所述網(wǎng)絡(luò)數(shù)據(jù)中的信號強度數(shù)據(jù)、信道號以及對應(yīng)無線接入點的輸入功率進行歸一化處理。具體的，為了使采集的多維的網(wǎng)絡(luò)數(shù)據(jù)能有效進入深度神經(jīng)網(wǎng)絡(luò)處理，需要把每個原始數(shù)據(jù)都?xì)w一化。本實施例中采用以下歸一化公式處理：X’＝(X-u)/σ，u為均值，σ為標(biāo)準(zhǔn)差本實施例中歸一化只在各自通道內(nèi)歸一化。本服務(wù)器中各模塊之間的信息交互、執(zhí)行過程等內(nèi)容與上述方法實施例基于同一構(gòu)思，具體內(nèi)容可參見本發(fā)明方法實施例中的敘述，此處不再贅述。應(yīng)當(dāng)說明的是，上述實施例均可根據(jù)需要自由組合。以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。當(dāng)前第1頁1 2 3